En tant que nouveau venu dans la modélisation d'équations structurelles (SEM) SAS JMP, je recherche des conseils sur la manière de traiter correctement les variables de confusion dans mes analyses SEM. Je n'ai pas pu trouver de lignes directrices appropriées sur la façon de contrôler ces variables confusionnelles dans la littérature actuelle.
J'apprécierais toutes les suggestions qui peuvent garantir que les variables confusionnelles sont correctement prises en compte. Merci d'avance!
Salut @Hcrooo ,
La façon la plus simple de penser à traiter correctement les variables de confusion dans SEM est peut-être d'utiliser un exemple de régression linéaire. Supposons que nous souhaitions examiner l'effet de l'indice de masse corporelle (IMC) sur la pression artérielle (TA). En utilisant l'exemple de tableau de données "Diabetes.jmp", je peux ajuster une simple régression linéaire dans SEM et les résultats ressembleraient à ceci,
suggérant qu'une augmentation d'une unité de l'IMC entraîne une augmentation de 1,24 unité de la PA. Cependant, nous sommes préoccupés par l'âge en tant que facteur de confusion, nous voulons donc l'ajouter au modèle pour ajuster correctement son effet. Nous le ferions en ajoutant l'âge comme prédicteur de la TA, et aussi en ajoutant sa covariance avec l'IMC. Les résultats ressembleraient à ceci,
Nous pouvons voir que tous les effets sont statistiquement significatifs et que l'effet de l'IMC sur la TA est maintenant plus faible (1,08) car nous contrôlons l'âge. Votre application SEM peut être plus complexe que cet exemple, mais l'idée générale est que le facteur de confusion doit être ajouté en tant que prédicteur dans les équations où vous souhaitez l'ajuster, et les associations du facteur de confusion avec d'autres variables du modèle doivent également être spécifiées. (dans ce cas, nous avons ajouté la covariance avec l'IMC).
HTH,
~Laura
